Python 基于Tensorflow 2.0的扩展因果卷积时间序列预测

我的任务是使用Tensorflow 2.0.0和Python 3.6，根据之前的200个时间步（类似于WaveNet）预测下一个timeseries值。 我的训练数据的形状不匹配。我收到以下错误消息：

ValueError：当使用as loss

均方误差时，传递了形状为（495，1，1）的目标数组作为形状输出（None，200，1）。此损失期望目标与输出具有相同的形状

我的代码：

import tensorflow as tf
import tensorflow.keras as k
import numpy as np

batch_size = 495
epochs = 5
learning_rate = 0.001
dilations = 7
seq_length=200

class TCNBlock(k.Model):
    def __init__(self, dilation, seq_length):
        super(TCNBlock, self).__init__()
        self.seq_length = seq_length

        self.convolution0 = k.layers.Conv1D(8, kernel_size=4, strides=1, padding='causal', dilation_rate=dilation)
        self.BatchNorm0 = k.layers.BatchNormalization(momentum=0.6)
        self.relu0 = k.layers.ReLU()
        self.dropout0 = k.layers.Dropout(rate=0.2)

        self.convolution1 = k.layers.Conv1D(8, kernel_size=4, strides=1, padding='causal', dilation_rate=dilation)
        self.BatchNorm1 = k.layers.BatchNormalization(momentum=0.6)
        self.relu1 = k.layers.ReLU()
        self.dropout1 = k.layers.Dropout(rate=0.2)
        self.residual = k.layers.Conv1D(1, kernel_size=1, padding='same')


    def build_block(self, dilation, training=False):
        inputs = k.Input(shape=(200, 1))
        output_layer1 = self.convolution0(inputs)
        output_layer2 = self.BatchNorm0(output_layer1)
        output_layer3 = self.relu0(output_layer2)
        output_layer4 = self.dropout0(output_layer3, training)
        output_layer5 = self.convolution1(output_layer4)
        output_layer6 = self.BatchNorm1(output_layer5)
        output_layer7 = self.relu1(output_layer6)
        output = self.dropout1(output_layer7, training)
        residual = self.residual(output)
        outputs = k.layers.add([inputs, residual])

        return k.models.Model(inputs=inputs, outputs=outputs)


def build_model():
    mdl = k.models.Sequential()
    for dilation in range(dilations):
        dilation_actual = int(np.power(2, dilation))
        block = TCNBlock(dilation_actual, seq_length).build_block(dilation_actual)
        mdl.add(block)
    return mdl


Model_complete = build_model()
opt = k.optimizers.Adam(learning_rate=learning_rate)
Model_complete.compile(loss='mean_squared_error', optimizer=opt, metrics=["accuracy"])

# Train Model
training_process = Model_complete.fit(x_train, y_train, epochs=epochs, verbose=1, batch_size=495, validation_split=0.1)

我的数据具有以下形状：

x_train.shape = (495, 200, 1) 
y_train.shape = (495, 1, 1)

如果有任何帮助和建议，我将不胜感激。
谢谢大家!
 时间序列分析预测的重要步骤是准备数据，以便模型进行相应的预测

执行该
重要步骤的
功能
如下所示：

def multivariate_data(dataset, target, start_index, end_index, history_size,
                      target_size, step, single_step=False):
  data = []
  labels = []

  start_index = start_index + history_size
  if end_index is None:
    end_index = len(dataset) - target_size

  for i in range(start_index, end_index):
    indices = range(i-history_size, i, step)
    data.append(dataset[indices])

    if single_step:
      labels.append(target[i+target_size])
    else:
      labels.append(target[i:i+target_size])

  return np.array(data), np.array(labels)

需要解释的上述函数的重要参数是
history\u size
和
target\u size

在您的情况下，
history\u size
将为200，
target\u size
将为1

我有一个真诚的建议给你（请不要冒犯，我的意图是真诚地帮助你）。由于您对
Tensorflow
相对较新，我要求您仔细阅读Tensorflow网站中给出的使用
LSTM
实现的示例，完全理解它，然后尝试使用
扩展卷积来实现它

希望这有帮助。学习愉快
 
seq_length
缺失，因此我无法运行您的示例seq_length为200。我现在在代码中添加了它您的网络的输出层是shape（None，200，1），但您希望最后一层是（None，1，1）。我想您在这里有一些困惑。一般形状为
（批次、尺寸、过滤器）
。如果使用1个过滤器进行卷积，结果是
（批次，维度，1）
，而不是
（批次，1，1）
。我更愿意说，您必须以这样一种方式重新构造模型：输出层的形状为（批次，1，1），您可以在标签上进行训练